一次AI对话到底烧多少电？

文中数据核对时间：2026年8月26日。能耗披露是一个快速变化的领域，Google、OpenAI、IEA等若发布新版报告，具体数字需以官网当日信息为准。配图待补。

两个真相都对，但说的不是一回事

网上流传最广的说法大概是这样的：问ChatGPT一句话，等于喝掉一瓶矿泉水，或者点亮一盏灯泡十分钟。这类说法每隔一阵就会刷屏一次，通常配着“AI正在偷走地球的电”这样的标题。这两个方向的说法都不算错，但它们说的根本不是同一件事。

一次对话确实便宜到可以忽略——Google在2025年公布的官方实测数据显示，Gemini App一次中位数的文本对话耗电0.24瓦时，大概相当于看电视不到9秒。但与此同时，全球AI数据中心的用电需求正在快速增长——国际能源署（IEA）2026年更新报告显示，2025年全球AI专用数据中心用电量暴涨了50%。

单次便宜，不等于总量便宜。这篇文章要做的，就是把“一次对话”和“全网AI”这两个尺度分开算清楚，再把它们重新拼回一张完整的账本。

一、为什么“一杯水”的说法，既对也不对

“10倍于Google搜索”这句话是怎么来的

要拆穿一个流传的数字，先得找到它的源头。“一次AI问答的成本是一次Google搜索的10倍”，这个说法能追溯到2023年——Alphabet董事长John Hennessy在接受路透社采访时说，与大语言模型的一次交流，运行成本很可能是标准关键词搜索的10倍左右。

要注意，他原话谈的是“成本”（cost），并没有specifically指向“耗电量”。这句话在后续传播中被简化、也被偷换了概念——从“运行成本可能高10倍”，逐渐被转述成“耗电是10倍”，两者并不是一回事：成本里包含硬件折旧、机房建设、人力等大量非电力支出，能耗只是其中一项。这句非正式的口头估算，就这样在传播中“镀了金”：源头模糊、口径被换，却越传越确定。

“一瓶水”说法的真实来源

另一个更具体的类比——“一次提问耗掉一瓶水”——确实有学术论文作为源头，但传播过程中丢掉了一个关键前提。

美国加州大学河滨分校（UC Riverside）团队在2023年发表的论文《Making AI Less “Thirsty”》里指出：GPT-3每生成10到50次中等长度的回复，会消耗约500毫升水（包含数据中心直接冷却用水，以及发电环节消耗的水）。这篇研究本身方法严谨，问题出在被媒体简化传播之后，“10到50次里摊一瓶”这个分母被悄悄丢掉了，变成了“一次提问=一瓶水”。

后来《华盛顿邮报》联合UC Riverside做的一次更具体的实验，倒是给出了一个更接近“一瓶水”量级的数字：用GPT-4写一封100字的邮件，耗水约519毫升，耗电约0.14千瓦时。但要注意，这是“写一封邮件”——通常涉及多轮交互和更长的输出，而不是随口问一句话。

完整数据表：官方、学术、媒体三档并列

把目前能查到的、相对权威的单次对话能耗数字放在一张表里，并标注置信等级：

（University of Rhode Island团队针对GPT-5给出的约18.9瓦时一说，目前主要见于媒体转述，未能查到实验室原始报告和完整测算方法，暂不列入本表，仅在后文提及时明确标注为“媒体转述、方法未公开”。）

表里最扎眼的是跨度：从0.24瓦时到40瓦时，差了160多倍。这不是谁在说谎，而是至少四个变量在同时起作用：

输入/输出长度。这是目前证据最扎实、跨度最大的变量——Epoch AI的测算里，同一个模型，输入从几百token拉长到10万token，能耗能从零点几瓦时涨到近40瓦时。这也是为什么不存在一个能代表“一次AI提问”的单一数字：一句话问答和一次长文档分析，从物理上就不是同一个量级的任务。

模型规模不同。GPT-4.1 nano这类轻量模型，和GPT-4.5、GPT-5这类旗舰模型，参数规模和计算量本身就不在一个量级，这一点在账号之前拆解token定价时已经反复出现过——同样是生成token，35B模型和70B模型的计算成本可以差出数倍。

是否为推理模型。会“深度思考”的推理模型（如o3、DeepSeek-R1这类），在给出最终答案前会生成大量隐藏的思考过程token，这部分计算同样耗电，却不会显示在你看到的回答里。

测算方法不同。Google的0.24瓦时是生产环境的实测中位数，覆盖了完整的服务链路（GPU/TPU本身、CPU与内存、数据中心运行冗余）；而de Vries和EPRI等早期估算，更多是基于硬件理论功耗和公开信息做的建模测算，且假设的输入输出长度偏长，不是从生产系统里直接量出来的数字。这就像账号之前拆过的“1P算力”一样——脱离精度和场景谈算力没有意义，脱离任务长度和模型规模谈能耗，同样没有意义。

一条值得单独一提的暗线：谁在披露，谁在沉默

把目光从数字本身移开，看看“谁愿意公布这些数字”，会发现一个有意思的梯度：

Google是目前唯一一家发布了完整方法论、基于生产环境实测数据的公司；OpenAI给出过一个数字，但只是CEO博文里的一句话，没有公开具体的测算方法；而包括Anthropic在内的多数AI公司，至今没有公布过任何单次查询层面的能耗数据。

这个“透明度梯度”本身可能不是巧合——愿意把数字摊开给你看的公司，往往也是单次成本控制得比较好的公司。这句话不做过度推断，只作为一个值得留意的观察放在这里：当一家公司对某个数字保持沉默，那通常也是一个信号。

二、训练能耗vs推理能耗，差多少

训练：一次性的大额支出

训练一个大模型，能耗账相对清楚的案例是GPT-3。斯坦福和UC伯克利团队在2021年发表的论文《Carbon Emissions and Large Neural Network Training》给出了一个数字：训练GPT-3消耗约1287兆瓦时电力，产生约552吨二氧化碳当量排放。这是公开资料里最常被引用、口径相对清楚的训练能耗案例之一，后续大量研究都在交叉引用这组数字，但它并不是唯一被披露过训练能耗的模型——只是相对其他模型而言，数据来源和测算过程更透明。

用水方面，UC Riverside团队后续测算：GPT-3训练直接冷却耗水约70万升，如果算上发电环节间接消耗的水，总量约540万升。

那GPT-4、GPT-5这类更新的模型，训练能耗是多少？目前没有任何官方数字。媒体上流传的“训练GPT-4消耗超过5万兆瓦时”一类说法，来自第三方媒体基于模型规模做的推算，不是OpenAI官方披露的数据，本文不把它当作确定性事实使用。

推理才是持续燃烧的部分

如果说训练是一次性的大额支出，推理就是设备开机之后，每天都在产生的电费。学术论文《How Hungry is AI？》（arXiv 2505.09598）指出，随着模型被越来越多用户持续调用，在广泛部署之后，推理阶段有可能成为模型全生命周期能耗的大头，该研究给出的估算区间上限在90%左右——这不是一个适用于所有模型的普遍定律，而是取决于具体的部署规模和调用频率，请求量越大，推理在总能耗里的占比通常越高。

原因不难理解：训练只做一次，而推理是7×24小时、面对全球数十亿次请求持续发生的。这和账号之前拆过的“GPU一小时能生成多少token”是同一个逻辑——训练是买设备的一次性投入，推理是设备通电运转的电费，跑得越久、请求量越大，电费在总成本里的占比就越可能反超设备本身的价格。

推理内部也分档：一句话问答vs深度推理

推理耗能本身也不是一个平的数字。非推理模型和会“深度思考”的推理模型之间，耗能可以相差10到70倍——这个跨度和账号在token定价那篇里讨论过的“贵模型该用在哪20%任务上”是同一套判断框架：不是所有任务都需要模型去“想”，很多简单问答用非推理模型就够，硬要用推理模型，费的不只是钱，也是电。

三、数据中心电费，怎么摊到你的每次提问

宏观盘子有多大

单次对话便宜，不代表整体便宜。国际能源署（IEA）2026年4月发布的最新更新报告《Key Questions on Energy and AI》给出的口径是：

全球数据中心用电量，2025年约485太瓦时（约占全球总用电量1.5%左右），预计到2030年将翻倍至约950太瓦时，占比升至约3%。其中AI专用数据中心在2025年一年用电量暴涨了50%，远超数据中心整体17%的增速，也远远甩开了全球用电总量约3%的增速；到2030年，IEA预计AI专用数据中心的用电量将在此基础上再增长两倍（tripling）。

（提醒一句：IEA在2025年4月发布的初版报告里，用的是2024年约415太瓦时、2030年约945太瓦时这套口径；2026年4月的更新报告把基准年数字上修为2025年约485太瓦时。本文统一采用2026年更新口径，避免新旧数字混用。）

局部数字比全球总量更有实感

全球总量的数字很大，但不够直观。落到具体地区，冲击感会强很多：

爱尔兰中央统计局（CSO）2026年7月发布的最新数据显示，2025年该国数据中心用电量占全国总用电量的23%，比2024年的22%又高了一个百分点，而2015年这个数字还只有5%——十年涨了约4倍多，目前数据中心用电已经接近全国所有家庭用电量的总和。局部地区的数字则更极端：据Oeko-Institute经Carbon Brief转述的分析，美国弗吉尼亚州数据中心用电占比已达26%，爱尔兰首都都柏林更是高达79%——相当于这座城市每用掉5度电，就有4度是数据中心烧掉的。

把宏观数字翻译回你的每一次提问

这一步是“算力账本”最该发挥作用的地方——不是甩出一个950太瓦时吓唬人，而是把它拆解回个体尺度。按Google披露的单次对话0.24瓦时来粗算：如果全球每天发生数十亿次AI对话，单纯这部分对话消耗的电量，量级上大致相当于一座中等规模城市一天的居民用电——这个数字会随着实际用户量和请求量变化，具体测算时需要用发稿当天可查证的最新用户规模数据现算，不能套用旧数字。

这里要指出一个容易被忽略的判断：单次提问的电费便宜到可以忽略不计，但“便宜”本身恰恰是问题的一部分。边际成本足够低，意味着使用量没有天然的刹车——你不会因为担心电费而少问一句AI，正如你不会因为担心电费而少开一次灯。真正驱动数据中心电力紧张的，不是“每次提问都很费电”这个错误归因，而是“每次提问都便宜到没人会节制，加上任务本身越用越重”这个更隐蔽的机制——IEA自己在报告里也把这个现象拆成三股同时发生的力：单次能耗在下降、用户规模在暴涨、任务本身（长文档、多模态、Agent）越来越重，三者叠加，才是总量失控的真正原因。

四、我们自己能做什么

与其在“要不要为了省电少用AI”这个问题上纠结，不如把账本用对地方。

选对档位比省着用更有效。前面提到过，非推理模型和推理模型之间的耗能差距可以到10到70倍，这比“少问几句”管用得多。日常的选题、摘要、简单问答，用便宜档模型就够；只有需要深度推理、复杂代码、关键判断的任务，才值得切换到会“思考”的模型——这和账号在token定价那篇里给出的“80%日常任务用便宜模型，5%关键判断用最贵模型”的分工建议是同一套逻辑，能耗账和价格账在底层往往是一回事。

长上下文和多模态任务是能耗大头。前面第一章的表格已经证明了这一点：同一个模型，输入从几百token拉长到10万token，能耗能差160多倍。这一点在账号之前拆解上下文窗口那篇里也出现过：窗口越长，KV Cache占用的显存越大，本质上是同一笔账的两种记法——一个记在显存上，一个记在电费上。

本地小模型是一个可参照的对比系统。账号在token定价那篇里，此前按本地电价做过一个个人尺度的粗略估算：用Mac Studio跑本地模型，生成一百万token的电费大约在1块钱左右。这个数字只是一个粗算参照，不能直接套用到云端大模型的实际成本上，但它提供了一个直观的对比系统——个人尺度上的AI能耗，原本就不是一个需要焦虑的量级，真正的问题始终在基础设施这一层，不在你我的每一次提问上。

资料边界说明

按可信度从高到低列出本文引用的主要资料来源，供核查与更新：

官方一手数据

• Google《Measuring the environmental impact of AI inference》技术报告，2025年8月：https://cloud.google.com/blog/products/infrastructure/measuring-the-environmental-impact-of-ai-inference
• IEA《Key Questions on Energy and AI》，2026年4月更新：https://www.iea.org/reports/key-questions-on-energy-and-ai/executive-summary
• IEA《Energy and AI》初版报告，2025年4月（仅作历史口径对照）：https://www.iea.org/reports/energy-and-ai/energy-demand-from-ai
• 爱尔兰中央统计局（CSO）《Data Centres Metered Electricity Consumption 2025》，2026年7月：https://www.cso.ie/en/releasesandpublications/ep/p-dcmec/datacentresmeteredelectricityconsumption2025/keyfindings/
• Patterson et al.， 《Carbon Emissions and Large Neural Network Training》，2021（GPT-3训练能耗数据）：https://arxiv.org/pdf/2104.10350

一手但方法论不透明

• Sam Altman博客《The Gentle Singularity》，2025年6月（单次查询0.34瓦时，无方法论披露）：https://blog.samaltman.com/the-gentle-singularity

第三方研究与学术论文

• Epoch AI《How much energy does ChatGPT use？》，2025年：https://epoch.ai/gradient-updates/how-much-energy-does-chatgpt-use
• Li et al.， 《Making AI Less “Thirsty”》，UC Riverside，2023：https://arxiv.org/pdf/2304.03271
• 《How Hungry is AI? Benchmarking Energy, Water, and Carbon Footprint of LLM Inference》，arXiv 2505.09598：https://arxiv.org/abs/2505.09598
• Jegham et al.，跨模型能耗测算论文，2025
• 弗吉尼亚州/都柏林局部数据，经Carbon Brief转述自Oeko-Institute分析：https://www.carbonbrief.org/ai-five-charts-that-put-data-centre-energy-use-and-emissions-into-context

本文属于「也算技术」系列，与算力经济系列多篇互为参照：算力有效产出见《不同算力卡一小时能干多少活》，模型定价分工见《用AI工具，为什么有人花2块，有人花1300块？》，长上下文与显存账见《上下文窗口：标称1M的token，为什么32K就开始变笨》。